如果您有一个包含各种类实例的训练集，并且它是高度不平衡的。你会用什么策略来平衡它？
真实世界人口信息：7类，其中最小的占5%。
关于训练集的信息：频率与总体频率有很大不同。
这里有两个选项：
- 将其偏向于总体类别频率。
- 使其偏向均匀分布。
有了偏见，我打算使用诸如 SMOTE 或成本敏感分类之类的东西。
我不确定要遵循哪种策略。我也愿意接受其他建议。您如何评价该战略的成功？
问问题
510 次
1 回答
0
正如您所提到的，对于培训，您有两种选择。要么平衡你的数据集（如果你有大量的数据和/或少量的特征，这样丢弃一些样本不会影响学习），或者根据它们的频率对不同的类使用不同的权重。后者通常很简单，但取决于您选择的方法和库。
一旦你训练了你的分类器（在你的训练集上有一些先验），如果你的先验发生变化（训练和人口中的不同频率），你可以轻松地更新预测概率。有一个很好的概述如何替换先前的信息，这比我在一篇简短的文章中解释得更好。看看组合概率，第 3 节（替换先验信息）。
于 2013-05-17T08:20:11.337 回答